导读:本文包含了曲率估计论文开题报告文献综述及选题提纲参考文献，主要关键词:图像拼接,边缘特征点检测,梯度方向描述符,多尺度曲率估计
曲率估计论文文献综述
史再峰,王晶波,曹清洁,孟庆振,姚素英[1]（2018）在《基于多尺度边缘曲率估计的图像拼接方法》一文中研究指出针对传统图像拼接方法仿射不变性差和对噪声敏感等问题,提出了一种基于图像边缘特征点的检测、匹配和融合方法.首先利用Canny边缘检测器提取图像的单像素边缘特征,通过边缘点邻域内的多尺度平均余弦值估计得到曲率极大值特征点,然后构建每个特征点的8×8邻域内的梯度方向直方图描述符,采用最小欧式距离与次小欧式距离比进行粗匹配,接着通过随机抽样一致性算法精匹配得到图像间的投影变换矩阵,最后采用加权平均融合算法可以得到无拼接缝隙的宽视角图像,实验表明,与基于Harris算法的拼接技术相比,该方法平均重复率高20.83%,平均定位误差低19.36%.(本文来源于《南开大学学报(自然科学版)》期刊2018年05期）
梁增凯,孙殿柱,薄志成,李延瑞,林伟[2]（2018）在《样点邻域同构曲面约束的散乱点云曲率估计》一文中研究指出针对现有点云曲率估计算法难以兼顾估计结果的精度与稳健性问题,提出一种样点邻域同构曲面约束的散乱点云曲率估计算法。以目标样点的邻域点集作为局部样本,采用二维Delaunay网格剖分与叁维Delaunay网格过滤相结合的策略对局部样本进行曲面重建,获得插值于采样点集并与原表面拓扑同构的局部网格曲面;为稳健估计计算样点曲率所需的样点法向,通过局部网格曲面中顶点一阶邻域面的形状和尺寸确定邻域面法向的权重,以一阶邻域面法向的加权和作为法向估计结果;基于网格曲面顶点一阶邻域面初步估计样点曲率,进而根据邻域样点与目标样点间测地距离对初步估计结果进行平滑修正获得最终曲率估计结果。实验结果表明,所提算法可有效反映曲面特征并兼顾样点曲率估计的精度和稳健性,实现样点曲率的平滑过渡;相比于Meyer提出的Voronoi算法,所提算法对采样精度较高的点云数据可保证与其相当的计算精度,对存在噪声的点云数据计算精度和稳健性均可提高1～2倍。(本文来源于《西安交通大学学报》期刊2018年12期）
王东波[3]（2018）在《高精度导航地图数据道路曲率估计方法研究》一文中研究指出在信息时代的今天,无人驾驶技术和驾驶辅助技术正在日益受到业界人士的关注,为了更好地解决驾驶者在驾驶过程中的导航问题同时体验更好、更舒适的驾驶感觉,使得驾驶者的双手得到解放。无人驾驶汽车能够在道路上安全的行驶,无不依靠更高精度的导航电子地图的参与,特别是车道级别的导航地图数据库的建立在其中扮演着绝对重要的角色。车道级别的要素信息需要获取的前期数据包括道路形状,车道的曲率、坡度、航向、高程以及侧倾等主要数据。根据道路设计安全理念,为了车辆的行驶安全,道路的线形设计几乎都是以曲线为主,而每条曲线的曲率都是不同的,特别是在智能驾驶高精度导航电子地图表达中更要对车辆进行实时提醒,所以,道路曲率的准确性在道路属性数据中起到至关重要的作用,这直接关系到自动驾驶车辆能否在道路上安全行驶。高精度导航电子地图的高精度,一方面意味着高精度导航地图的绝对坐标的精度较普通电子地图的精度更高,图上坐标精度即是指地图上的物体与外界真实世界之间的精确性;另一方面,高精度导航地图的属性信息中包含了更多、更丰富和更详细的道路交通信息元素。本文在研究高精度导航地图的发展现状以及道路曲率估计方法的基础上,根据本文所采用实验数据的特点,提出了一种基于GNSS数据计算道路曲率的“迭代圆曲率估计算法”。首先,对每条路段的原始数据曲线拟合进行预处理,以等间距内插的方式生成拟合曲线的折线,然后将生成的折线利用立体投影的方法投影到单位球上,再根据最小二乘法则,在单位球上寻找数据点的最佳拟合平面,以及拟合平面与单位球的相交圆,相交圆立体投影到赤道面就可以得到相应的圆弧和曲线,识别得到的曲线按圆心角的大小分类为:无曲线、简单曲线、复合曲线、逆曲线和螺旋曲线等五种类型,通过识别结果证明利用本文提出的最小拟合圆算法所提取的道路边线具有准确性且保证了边界点精度。本文在道路曲率精度验证方面主要分为两个步骤。第一步是曲线库构建,将GNSS-RTK采集的道路边线数据进行处理后,利用识别的五种曲线进行曲线数据库的建立,以备后面精度验证之用。第二步是曲线精度验证,将点云数据拟合后内插得到的曲线节点坐标数据导入系统,自动进行数据的检测和曲线曲率值对比验证,最终得出验证结果,直接导出保存进行后续的数据分析。本文的主要考核数据为道路边线的曲率估计值,对两种数据进行精度验证以及数据分析看出,同一曲线段曲率值的差值最大值为8.99×10~(-3),最小值为5.7×10~(-6),差值均方根为3.38×10~(-3),平均值差值的相对精度为1/442,该精度达到预期设想。通过与点云数据提取的道路边线曲率进行对比,结果表明该方法整体完成较好,实现了在提高运算效率的同时又保证了成果精度的预期目标。(本文来源于《北京建筑大学》期刊2018-06-01）
郑子华,陈家祯,叶锋[4]（2017）在《基于曲率估计的Canny边缘检测算法》一文中研究指出为了解决传统Canny边缘检测算法对噪声敏感的问题,针对噪声边缘弯曲度大且弯曲空间范围小的二维空间特性,构造了基于曲线曲率估计的边缘曲度算子,并利用大尺度Canny算法边缘检测结果对边缘曲度算子进行修正,使该算子能够准确地表征噪声强度在二维空间中的分布情况,在此基础上,提出了一种在边缘检测过程中加入边缘曲度算子进行噪声衰减的边缘检测算法.实验结果表明,算法在有效抑制噪声的同时,保留了变化丰富的细节边缘及变化缓慢的轮廓边缘,检测结果较好地反映了图像的原始结构特征.(本文来源于《计算机系统应用》期刊2017年12期）
张世征[5]（2016）在《几种轮廓曲率估计角点检测算法研究》一文中研究指出角点是图像中稳定的稀疏特征,包含着图像重要的结构信息,当前在图像处理、计算机视觉和模式识别等领域中对角点检测算法的分析与研究都是基本的课题之一,角点检测对诸如图像匹配与配准、目标识别与追踪、运动估计和叁维场景重建等任务的处理都扮演着非常重要的作用。本文从研究轮廓曲线的离散曲率开始,通过相关理论分析,设计和构建了叁种能较好反映平面曲线曲率概念和性质的曲率估计方案:(1)角度估计子(两个);(2)连续曲率估计子;(3)点到切线相对距离累加和估计子。论文的主要研究工作和创新点具体如下:(1)角度是轮廓曲线离散曲率的一种重要反映,针对已有的利用角度进行角点检测的RJ73算法中支持域的选择存在一些缺点的问题,我们提出了一种新的用于角度估计的方法(Arc length-based Angle Estimator,简称AAE)。AAE方法首先将从灰度图像中提取的边缘轮廓线弧长参数化为两条参数曲线,然后通过相关理论分析将对边缘轮廓线的角度估计问题转化为弧长参数曲线的斜率估计问题,最后通过(加权)最小二乘拟合技术(Weighted Least Square,简称WLS)来给出斜率估计问题的解决方案。(2)AAE方法是通过将轮廓曲线的角度估计问题转化为弧长参数曲线的斜率估计给出了一种新的角度估计方案。我们也可以不进行轮廓曲线的参数化而是直接估计曲线上任一点处的角度,采用的方法是将目标点前、后支持域内的点近似看作两条直线段,将这两条直线段的夹角视为目标点处的角度值。为了计算两条直线段的夹角,需要计算两条直线段的方向向量,而这两个方向向量中的任一个可以近似看作由相应半支持域内的点构建的协方差矩阵的特征向量,在此基础上给出了另外一种新的利用协方差矩阵特征向量来估计轮廓曲线角度的方案EAE(Eigenvector-based Angle Estimator,简称EAE)。(3)论文将离散曲线以弧长为参数得到两条对应的参数离散曲线,然后对离散数字曲线分别用Chebyshev多项式进行拟合,得到相对应的连续可微曲线,并采用最小二乘拟合技术来求解Chebyshev多项式中的各待定系数。这样对当前点的曲率估计转化为对拟合曲线在对应参数点处的求导问题,我们就可以获得离散数字曲线上每一点的连续曲率估计。(4)通过直观的观察发现,对于轮廓曲线上一点而言,该点处曲率值越大,其附近点到该点处切线的距离相对也越大。在此发现的基础上,我们提出了一种新的度量离散曲率的方法。对于一般的离散数字轮廓曲线段,首先用二次多项式做最小二乘拟合来求取当前目标点处的切线方程,然后计算目标点支持域内所有点到该切线的相对距离累加和,这个相对距离累加和可作为数字曲线曲率的一种离散估计。(本文来源于《重庆大学》期刊2016-11-01）
丁伟利,高晓阳,苏玉萍,李小俚[6]（2015）在《基于曲率估计的运动平滑性度量算法》一文中研究指出研究了用运动平滑性量化度量和评价康复程度的方法。针对现有运动平滑性检测算法缺乏一致性、灵敏性和鲁棒性的问题,通过对康复运动平滑性的分析,提出了一种新的基于曲率估计的运动平滑性度量算法。该算法的核心是利用速度曲线局部结构的协方差矩阵特征根估计曲率,并基于估计的曲率实现对运动平滑性的量化度量。用该算法,实现了对根据康复过程中各种情况生成的模拟曲线和实际病人康复训练的运动曲线的平滑性度量,并与现有的6种平滑性度量方法进行了对比。试验结果表明,该算法与已有算法的度量结果具有一致性,并且在灵敏性和抗干扰方面表现出了较好的性能。(本文来源于《高技术通讯》期刊2015年Z1期）
邢庆贺[7]（2015）在《二维黎曼流形上蒙日—安培方程解水平集的曲率估计》一文中研究指出本文主要研究了在二维常曲率黎曼流形M中的有界凸区域Ω上的蒙日-安培方程的狄利克雷问题,给出与解有关的一个辅助函数证明其在边界aQ上达到最大值.进而对于x∈ΩΩ’时,给出了蒙日-安培方程解的水平线曲率的上界估计：其中Ω'={x∈Ω|u(x)<c,c∈(minΩ u,0)是一个常数},κ是在一点处水平线的曲率.(本文来源于《哈尔滨师范大学》期刊2015-06-01）
于雪梅[8]（2015）在《空间形式上蒙日—安培方程解水平集的平均曲率估计》一文中研究指出椭圆型偏微分方程解的水平集的凸性问题是偏微分方程研究中的重要内容.蒙日-安培方程是最重要的完全非线性偏微分方程.本文的主要内容是针对完全非线性的椭圆型蒙日-安培方程det (?)2u=1,研究其在完备的常曲率黎曼流形即空间形式中有界凸区域上带有0边值Dirichlet条件下的严格凸解的水平集的平均曲率估计.基本观点：给出空间形式上带有0边值Dirichlet条件的椭圆型蒙日-安培方程,对方程的严格凸解u,通过构造与u的水平集的曲率有关的辅助函数,使其满足某个微分不等式,然后应用极大值原理证明该辅助函数在区域边界处达到其最大值,进而给出方程解的水平集的平均曲率估计.(本文来源于《哈尔滨师范大学》期刊2015-06-01）
谢飞,毛晶晶,胡玲娟,王林峰[9]（2014）在《关于收缩或稳定的梯度Ricci孤立子的数量曲率估计的一个简要证明》一文中研究指出收缩或稳定的梯度Ricci孤立子的数量曲率的下界估计对于研究势函数增长估计或者体积增长估计十分有用.文章利用光滑度量测度空间上的Laplace比较定理,得到数量曲率下界估计的一个简要证明.(本文来源于《南通大学学报(自然科学版)》期刊2014年02期）
张帆,康宝生,赵建东,李娟[10]（2013）在《散乱点云数据曲率估计方法》一文中研究指出针对带有强噪声离散点云数据曲率计算问题,提出一种基于稳健统计的曲率估计方法。首先,用一个二次曲面拟合叁维空间采样点处的局部形状;其次,随机地选择该采样点邻域内的子集,多次执行这样的拟合过程,通过变窗宽的最大核密度估计,就得到了最优拟合曲面;最后,将采样点投影到该曲面上,计算投影点曲率信息,就得到采样点曲率。实验结果表明,所提方法对噪声和离群点是稳健的,特别是随着噪声方差的增大,要明显好于传统的抛物拟合方法。(本文来源于《计算机应用》期刊2013年06期）
曲率估计论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对现有点云曲率估计算法难以兼顾估计结果的精度与稳健性问题,提出一种样点邻域同构曲面约束的散乱点云曲率估计算法。以目标样点的邻域点集作为局部样本,采用二维Delaunay网格剖分与叁维Delaunay网格过滤相结合的策略对局部样本进行曲面重建,获得插值于采样点集并与原表面拓扑同构的局部网格曲面;为稳健估计计算样点曲率所需的样点法向,通过局部网格曲面中顶点一阶邻域面的形状和尺寸确定邻域面法向的权重,以一阶邻域面法向的加权和作为法向估计结果;基于网格曲面顶点一阶邻域面初步估计样点曲率,进而根据邻域样点与目标样点间测地距离对初步估计结果进行平滑修正获得最终曲率估计结果。实验结果表明,所提算法可有效反映曲面特征并兼顾样点曲率估计的精度和稳健性,实现样点曲率的平滑过渡;相比于Meyer提出的Voronoi算法,所提算法对采样精度较高的点云数据可保证与其相当的计算精度,对存在噪声的点云数据计算精度和稳健性均可提高1～2倍。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
曲率估计论文参考文献
[1].史再峰,王晶波,曹清洁,孟庆振,姚素英.基于多尺度边缘曲率估计的图像拼接方法[J].南开大学学报(自然科学版).2018
[2].梁增凯,孙殿柱,薄志成,李延瑞,林伟.样点邻域同构曲面约束的散乱点云曲率估计[J].西安交通大学学报.2018
[3].王东波.高精度导航地图数据道路曲率估计方法研究[D].北京建筑大学.2018
[4].郑子华,陈家祯,叶锋.基于曲率估计的Canny边缘检测算法[J].计算机系统应用.2017
[5].张世征.几种轮廓曲率估计角点检测算法研究[D].重庆大学.2016
[6].丁伟利,高晓阳,苏玉萍,李小俚.基于曲率估计的运动平滑性度量算法[J].高技术通讯.2015
[7].邢庆贺.二维黎曼流形上蒙日—安培方程解水平集的曲率估计[D].哈尔滨师范大学.2015
[8].于雪梅.空间形式上蒙日—安培方程解水平集的平均曲率估计[D].哈尔滨师范大学.2015
[9].谢飞,毛晶晶,胡玲娟,王林峰.关于收缩或稳定的梯度Ricci孤立子的数量曲率估计的一个简要证明[J].南通大学学报(自然科学版).2014
[10].张帆,康宝生,赵建东,李娟.散乱点云数据曲率估计方法[J].计算机应用.2013